什么是物理人工智能？

生成式人工智能的最新进展、机器学习的改进以及边缘计算的实用解决方案，推动了物理人工智能应用的日益普及。基于人工智能的物理系统正被应用于越来越多的领域，从而无需人工介入，即可根据不断变化的数据做出决策。 

随着这些系统逐渐应用于汽车、航空航天和医疗保健等行业的安全关键型应用，确保其可靠性和可预测性变得至关重要。这要求在人工智能模型开发 的同时，采用稳健的验证 和验证方法。

自主系统在许多应用中运用了物理人工智能，不仅利用先进的AI技术和最新的硬件进行感知、计算和物理操作，还通过收集、解读、根据信息采取行动并从中学习来实现这一目标。

为了支持这一生命周期，开发 越来越依赖于可扩展的仿真环境，这些环境使工程师能够在实际部署之前，在各种条件下测试系统行为。

AI 模型

任何物理领域人工智能应用的基础步骤都是构建和训练其人工智能模型。为此，工程师首先需要确定哪些人工智能技术最适合预测团队正在实现自动化的物理系统的行为。这包括大型语言模型（LLMs）、小型语言模型，以及机器学习（ML）等更传统的人工智能工具。

基础模型是物理人工智能中应用最广泛的模型类型。由于它们是在物理数据上进行训练的，因此被称为世界基础模型（WFM）。由于这些神经网络是在大规模数据集数据集 上进行训练的，因此能够处理范围广泛的物理现象用例 。

硬件

模型训练完成后，下一步是组装物理人工智能应用所需的硬件。这些硬件可分为四类：训练环境、传感器、计算资源以及执行器和输出设备。

培训环境

负责训练人工智能模型的团队利用高性能计算(HPC) 数据中心来构建和训练这些模型。NVIDIA Omniverse就是一个很好的例子，它是一组用于开发物理人工智能的库和微服务，可在AWS、Azure或自建计算基础设施上的GPU 支持的硬件上运行。

这些环境通常采用数字孪生技术，以创建现实世界系统的虚拟模型，从而实现更加可控、可重复且可扩展的实验。

传感器

连接物理世界与数字世界的输入通道是一组为人工智能代理提供信息的传感器。工程师们使用“多模态感知”这一术语来指代从多个传感器获取高保真数据的过程。最常见的传感器类型包括： 

1. 感知
第一步是收集关于系统周围物理世界的数据。系统内部或附近的各种传感器产生数据集 ，物理人工智能系统将这些数据分解为有助于理解物理环境并就此做出决策的信息。

2. Reason
在第二步中，上述人工智能工具便发挥作用。人工智能工作流会调用数据集 ，以此解读当前状况，并决定如何应对。这超越了传统机器控制系统中的“如果-那么-否则”逻辑，实现了实时决策。

3. 执行
在第三步中，AI 工作流会根据推理步骤中生成的建议，为执行器生成指令。这些操作还可以发送至输出设备，例如扬声器和显示屏。

4. 学习
第四步将“执行”步骤的结果整合到AI模型中，以提升系统的性能。此步骤为可选步骤，可在数据中心或实验室远程完成。学习步骤也可在设备本地进行，这种情况下便称为“具身AI”。

要更好地理解人工智能驱动的应用程序是如何应用这些步骤的，一个好方法是看一个简单的例子，比如一个机器人arm ，它从托盘上取下六种不同的甜甜圈，并将每种各一个放入盒中。在此情境下：

• 原型系统是在实验室中，或利用模拟生成的合成数据，针对尽可能多的场景进行训练的。（训练）
• 在运行过程中，托盘上方的摄像头（传感器）将数据（感知）发送至本地边缘AI 系统（计算资源），其中AI软件栈利用计算机视觉算法对甜甜圈进行识别和分类（推理）。
• 随后，该人工智能软件栈会指示机器人arm （执行）利用其末端执行器（执行器）拿起一个甜甜圈，并借助箱子上方的一台摄像头（感知、传感器）将其放入一个空盒子中。
• 该过程会不断重复，直到系统利用箱式摄像头（感知）获取的图像判断箱子已装满（推理），并向箱子下方的传送带（执行）发送信号，使其移至下一个箱子，同时让指示灯闪烁并发出蜂鸣声（输出），以此通知甜甜圈店的工作人员取走该箱子。
• 如果一个甜甜圈碰到了盒子的边缘（感知），那么该信息将被用于在数据中心或实验室远程训练系统，或在设备本地（具身人工智能）进行训练，以避免这种情况的发生（学习）。

实际上，在各种现实场景中验证这些步骤至关重要，因为物理人工智能系统必须操作 在各种无法通过物理方式进行全面测试的条件下仍能可靠运行。

传感器技术、基于GPU 的高性能计算、数字孪生环境以及人工智能工具方面的突破，极大地拓展了物理人工智能的应用范围。 这些进步还使得系统在部署到真实环境之前，能够通过仿真更早地对系统行为进行测试和验证 。直到最近，该技术主要应用于工业机器人的计算机视觉以及领先的-边缘自动驾驶汽车领域。如今，它正逐渐应用于航空航天、能源、医疗保健和消费品等行业的实际应用中。

以下是一些较为令人兴奋的应用：

• 汽车：自动驾驶系统（ADS）和高级驱动程序 辅助系统（ADAS ）——许多现代车辆都配备了ADAS ，用于控制车距并根据车道标线进行转向。在某些城市，自动驾驶汽车也越来越普遍。这是人们接触最多的实体人工智能形式。
• 医疗保健：从机器人手术到患者监测——机器人手术系统能够根据手术过程中的实时数据进行调整，从而对外科医生的技能起到补充作用。医疗保健领域的另一个典型案例是，患者护理系统将可穿戴传感器与智能音箱和摄像头相连接，从而实现自主患者监测，包括触发物理操作的能力。

• 制造业：工业机器人——制造业正借助物理人工智能，迅速将生产线转型为更灵活、更高效的制造系统。
• 航空航天：无人机（UAV）——过去，无人机要么由远程操控，要么采用基础编程。 借助物理人工智能，无人机现在能够根据简单指令进行导航、避开障碍物、适应复杂环境，并执行更复杂的任务。
• 多行业应用：自主移动机器人（AMR，移动设备 ）——人类以及老旧的预编程机器人正被专门设计的移动设备 机器人所取代，这些机器人能够定位、取物并搬运物品。亚马逊在其物流中心应用物理人工智能（AI）于AMR领域方面一直处于领先地位。这些系统还正逐步进入医疗机构，用于配送食物和物资，甚至开始出现在餐厅中提供送餐服务。 自主地板清洁机（或称清洁机器人）是人们将AMR应用于工业、商业及家庭清洁领域的又一典型例证。这些系统已不再仅依赖计算机视觉和邻近 传感器进行导航，如今还能识别物体并确定所需的清洁方式。
• 多个行业：类人机器人——外形酷似人类并能模仿人类动作的机器人，是媒体中最为引人注目的实体人工智能形式之一。目前，类人机器人被应用于汽车制造领域的拣选和物料搬运，并在仓库中执行此前由自动导引车（AMR）完成的任务。 

尽管物理人工智能已从研发阶段迈向实际应用，但该技术仍面临一些重大挑战。研究人员和工程师正以日益加快的速度开发新技术和新工艺，以满足行业日益增长的需求。

一个根本性的跨领域挑战是Sim 与现实之间的差距，即在模拟环境中训练或验证的系统，在实际环境中运行时可能会表现出不同的行为。

最常见的处理难题包括：

• 可靠性：物理人工智能系统必须达到99.999%（5个9）的可靠性，以解决安全性和成本方面的担忧。
• 模拟物理学：用于训练大多数物理人工智能模型的合成数据，其准确性仍不及真实世界数据，而且生成这些数据可能需要花费过长时间。
• 能效：许多物理人工智能系统属于移动设备 ，需要自带电源。降低电池系统的成本、体积和重量是一个重要的研究领域，提高这些系统内电子元件和执行器的能效比 同样是一个重要研究方向。
• 网络安全：物理人工智能系统容易受到网络攻击，其物理设备还提供了额外的攻击入口。
• 连接性：信号在传感器、计算硬件和执行器之间传输所需的时间称为延迟。即使是高速系统，信息到达目的地所需的时间对于物理人工智能应用而言仍可能过长。边缘计算和多芯片模块正在改善这一领域，但仍需进一步提升速度。
• 互操作性：作为一项新兴技术，物理人工智能在系统间通信以及与外部数据和计算资源的交互方面，目前仍缺乏行业标准。 

如前所述，大多数物理人工智能实现方案都依赖于合成数据的生成来训练其基础模型。其中大部分数据是通过基于物理的仿真模型生成的。此外，在设计用于实现物理人工智能的电子和机械系统时，仿真也发挥着至关重要的作用。

高保真、基于物理原理的仿真对于提高合成数据的真实感，以及在开发 和测试过程中更好地再现真实世界的系统行为至关重要。

基于物理的仿真培训

训练物理人工智能模型（尤其是世界基础模型）需要大量且多样化的数据集 ，因此需要一个强大且多样化的仿真环境 。此类环境的典型代表是 新思科技 多物理场仿真工具集，其应用范围涵盖从硅芯片到整个系统。执行器的性能可通过以下工具进行建模：Ansys （Motor-CAD）——专用于多物理场仿真的电动机设计工具、Ansys （Maxwell）——先进的电磁场求解器、Ansys （Mechanical）——机械结构有限元分析软件，以及Ansys （Motion）——多体动力学仿真软件。 工程团队使用Ansys 、Zemax OpticStudio光学系统设计 及分析软件，以及Ansys Lumerical INTERCONNECT光子集成电路设计与仿真软件来设计复杂的光学传感器；Ansys HFSS高频电磁仿真软件用于雷达设计；Ansys AVxcelerate Sensors自动驾驶车辆传感器仿真软件用于激光雷达 ，该软件采用业界领先的 Ansys SPEOSCAD集成光学与照明仿真软件。

这种方法有助于扩大场景覆盖范围，使工程师能够在实际部署之前，评估系统在各种运行条件下的行为表现。

工程师必须首先创建准确且灵活的模型，然后使用标准 格式（如通用场景描述（USD））将这些模型导入NVIDIA Omniverse等环境。

在构建世界基础模型时，工程师可直接使用参数化物理模型，配合Ansys 的ModelCenter基于模型的系统工程软件等MBSE工具、 Ansys 的Twin Builder基于仿真的数字孪生平台等数字孪生环境，或Ansys 的TwinAI人工智能驱动的数字孪生软件。此外，工程师还可以使用Ansys 的optiSLang工艺集成与设计优化软件等优化工具，为上述工具创建降阶模型。

利用仿真推动物理人工智能硬件的设计

在帮助工程师设计用于实现物理人工智能的传感器、计算机、执行器和输出设备方面，仿真同样发挥着重要作用。电气工程师在芯片设计中高度依赖仿真，尤其是对于现代 CPU 和 GPU 中使用的多芯片封装。 现代芯片设计流程将包含新思科技 Platform Architect、新思科技 ^ZeBu®EmPower以及新思科技 SpyGlass Power等工具，用于通过RTL代码探索和评估功耗优化 。随后，该流程将引入新思科技 RedHawk-SC等工具，用于数字电源完整性 的签核。

在电子系统层面，工程师将使用Ansys 的Icepak电子散热仿真软件和Ansys 的Sherlock电子可靠性预测软件等工具，对芯片、电路板和机箱级封装进行可靠性建模，并优化其设计以满足功耗、散热和结构要求。

工程师在设计和开发 过程中使用相同的模型训练工具来模拟传感器。例如，通过结合使用Ansys Maxwell和Ansys Motion，可以配置一个复杂的步进电机及其在机器人arm 中的应用；而Ansys Fluent流体仿真软件则可模拟阀门开闭过程中的流体流动。 控制工程师将使用嵌入式软件产品（例如Ansys 的SCADE Suite基于模型的开发 环境）来设计算法，以执行物理AI系统所请求的操作。Ansys SCADE随后会自动生成经过安全认证的代码，该代码自动符合交通等安全关键型系统所需的众多安全标准。